TEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-)

Tamaño: px
Comenzar la demostración a partir de la página:

Download "TEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-)"

Transcripción

1 MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE LA CALIDAD INGENIERIA DE TELECOMUNICACIONES TEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-) 1. Un proceso industrial fabrica un sensor de velocidad para un controlador electrónico para frenos ABS. Las especificaciones de dicho sensor requieren que su impedancia sea de 30 kohms ± 10 kohms. Para realizar el control estadístico de ese proceso se recogen muestras de 6 sensores cada media hora. Con los datos de un total de 30 muestras se obtiene la siguiente información: x =30.11 R =5.40 s =1.82 ŝ T =2.00 (a) Construye todos los gráficos de control que sepas. (b) Suponiendo que el proceso está bajo control, estima la capacidad con los tres estimadores de la dispersión que se tienen. (c) Utilizando el estimador ŝ T, calcula los índices de capacidad que conozcas (excepto el C pm ) ycomenta sus valores. (d) Si se produjese un cambio en la media de +3 kohms, cuánto tiempo se tardaría, por término medio, en detectarlo con el gráfico de la media basado en ŝ T? SOLUCIÓN: (a) Gráfico de control para la media: El gráfico teórico es LCS = μ +3 σ n Línea central = μ LCI = μ 3 σ (1) n donde μ se estimará con la media total x y n =6. Para estimar σ se tiene tres alternativas: s, ŝ T y R. El gráfico de control utilizando s es: s LCS = x +3 c 2 n Línea central = x s LCI = x 3 c 2 n (2) donde c 2 = Por tanto: 1.82 LCS = =32.60 Línea central = LCI = =27.54 (3)

2 El gráfico de medias, utilizando el estimador ŝ T es LCS = x +3 ŝt c 4 n Línea central = x LCI = x 3 ŝt c 4 n (4) donde c 4 = Se tiene entonces que 2.00 LCS = =32.69 Línea central = LCI = =27.54 (5) El gráfico de medias utilizando el estimador R es R LCS = x +3 d 2 n Línea central = x R LCI = x 3 d 2 n (6) donde d 2 = Por tanto, 5.40 LCS = =32.72 Línea central = LCI = =27.50 (7) El gráfico de control para la dispersión utilizando ŝ T es: Como B 3 =0.030 y B 4 =1.970, se tiene que LCS = B 4 ŝ T Línea central = ŝ T LCI = B 3 ŝ T LCS = = 3.94 Línea central = 2.00 LCI = = 0.06 El gráfico de control para la dispersión utilizando R es Como D 3 =0,D 4 =2.004, se tiene LCS = D 4 R Línea central = R LCI = D 3 R LCS = = Línea central = 5.40 LCI = 0

3 (b) La capacidad es 6σ. Si se utiliza s como estimador de σ se tiene que ˆσ 1 = s = 1.82 =2.10 Capacidad=12.6 c Con el estimador ŝ T resulta ˆσ 2 = ŝt = 2.00 =2.10 Capacidad=12.6 c y con el rango: ˆσ 3 = R = 5.40 =2.13 Capacidad=12.8 d (c) Indice de capacidad C p : C p = LTS-LTI = 20 6ˆσ 12.6 =1.58 Es mayor que 1, luego el proceso es capaz. Además es mayor que 1.33, por lo que el proceso tiene un nivel de calidad aceptable. Indices de capacidad unilaterales. Si utilizamos la distancia de cada extremo a x obtendremos una idea de lo centrado que está el proceso en cada lado comparado con la distancia 3σ. Puede interpretarse como el índice de capacidad a cada lado de x. x LTI C pl = = =1.60, 3ˆσ 6.3 C pu = LTS- x = = ˆσ 6.3 Ambos coeficientes son similares. El C pl es algo superior, indicando que las especificaciones inferiores se están cumpliendo con más holgura que las superiores. Si se usa el valor nominal μ N =30obtendremos un indice de capacidad a cada lado del nominal. Si el proceso está muy descentrado, este índice será menos informativo que si se calculase con x. C pl = μ N LTI = =1.58, 3ˆσ 6.3 C pu = LTS-μ N = = ˆσ 6.3 Como el nominal está en el centro de las tolerancias se obtiene de nuevo el índice de capacidad C p Indice de capacidad unilateral mínimo C pk. Dadas las características del proceso, es más interesante utilizar en los índices unilaterales el valor x. Por tanto C pk =min(c pl,c pu )=1.57. Indice de capacidad recíproco: C r = 1 C p =0.63 Como es menor que 1 es capaz. Además, como es menor que 0.75 puede considerarse que el nivel de calidad es bastante satisfactorio. Coeficiente K: x μ N K = 1 = = (LTS-LTI) 10 El proceso está bastante centrado. El sesgo es muy pequeño y hacia el límite de tolerancias superior. El proceso está desplazado hacia el límite de tolerancia superior una distancia equivalente al 1.1% de la distancia que hay entre el nominal y el LTS (esta interpretación se hace al coincidir el nominal con el centro del intervalo de tolerancias).

4 Para calcular el valor de n del coeficiente n-sigma se ha de expresar el intervalo de tolerancias en función de la estimación de σ. Por tanto se tiene que LTS-LTI =20=2n 2.10 n =4.76 Podemos decir, entonces que, aproximadamente, la calidad del proceso tiene un nivel 5-sigma. El nivel es bueno, pero no llega al mítico six-sigma. (d) Con los datos que se poseen, y suponiendo normalidad, la media muestral sigue la distribución x N µ30.11, N 30.11, Si se produce un cambio en la media de +3 ohms, las nuevas medias muestrales (ȳ) tiene la distribución (estimada) ȳ N(33.11, ) mientras que los límites de control siguen siendo LCS=32.69, LCI= Se detectará el cambio si la media muestral se sale de los límites. La probabilidad de que eso ocurra es P (fuera de límites) =1 P (dentro de límites) =1 P (27.54 ȳ 32.69) µ =1 P z =1 P ( 6.50 z 0.49) = = Luego la probabilidad de detectar el cambio en una muestra es p = El número medio de muestras para detectar el cambio será: Número medio de muestras= 1 p =1.45 Como se recoge una muestra cada media hora, se tardará en detectar el desajuste una media de 43 minutos 2. Para controlar el proceso de fabricación de piezas metálicas se establece un control para la longitud mediante gráficos de control de medias y rangos. Se ha comprobado que la variable tiene una distribución normal. Para diseñar los gráficos de control se han tomado 30 muestras de tamaño n =6con los siguientes resultados: 30X i=1 x i = 6000; 30X i=1 R i = 150. donde x i y R i son la media y el rango, respectivamente, de cada muestra. Se pide: (a) Calcular los límites de control de los gráficos de media y rango. (b) Si ambos gráficos indican que el proceso está bajo control y las especificaciones o límites de tolerancia para la longitud son de 200±5; determinar el índice de capacidad C p del proceso y el porcentaje de piezas defectuosas que fabricará en estado de control. (c) Si se desajusta el proceso y fabrica con media igual a 199 cuál es la probabilidad de detectar el cambio con el diagrama de la media en la muestra siguiente? (Tomar como varianza del proceso, la estimada en los apartados anteriores). (d) Cuántas muestras habrá que tomar, por término medio, para detectar este desajuste?

5 SOLUCIÓN: (a) El gráfico para la media es: R x i x ± 3, d 2 n y para el rango: (D 3 R, D4 R), donde los valores d 2,D 3 y D 4 se obtienen de las tablas.la media total y el rango medio son x = = 200; R = =5. Como d 2 =2.534 setieneque,paralamedia: LCS = 202.4, LCI = Para el rango se tiene que D 3 =0y D 4 = Por tanto R i (0, 10.02) (b) El índice de capacidad es C p = LT 2 LT 1, 6ˆσ donde LT 2 = 205 ylt 1 = 195. Para estimar σ se utulizará que ˆσ = R = 5 d = Operando: C p = Si se denomina X a la variable aleatoria resistencia a la tensión de la pieza, y tomando ˆσ = y μ = 200 se tiene que, cuando el proceso está bajo control El porcentaje de piezas defectuosas será: X N(200, ). P (defectuosas) = 1 P (195 < X < 205) =1 P ( 2.53 <z<2.53) = =1.14%. (c) Lo que se pide es pero utilizando que Estandarizando: p = P (197.6 > x i > 202.4) = 1 P (197.6 < x i < 202.4), " µ # x i N 199,. 6 µ p =1 P 1.97/ <z< / = = = 4.09%

6 (d) Si la probabilidad de detectar el desajuste es de p =0.0409, serán necesarias, por término medio: número medio de muestras para detectar el desajuste= 1 p = En una fundición se efectúa un control de procesos por variables haciendo mediciones de la dureza de lingotes X. SesuponequeX se distribuye normalmente con media μ y desviación típica σ, ambas conocidas. Si se toman muestras de tamaño n, se pide: (a) Calcular cuántos lingotes (n) debemos emplear si queremos detectar cambios en la dureza media de magnitud +2σ, con probabilidad 0.8, manteniéndose la varianza constante. (b) Si las muestras se obtienen cada media hora, calcular el tamaño muestral mínimo necesario para detectar el anterior desajuste en menos de una hora, por término medio. SOLUCIÓN: (a) Hay que calcular n tal que P (fuera de los límites)=1 P (dentro de los límites) =0.8. Por tanto P (μ 3σ/ n x μ +3σ/ n μ 0 = μ +2σ) =0.2. µ (μ 3σ/ n) (μ +2σ) P σ/ z (μ +3σ/ n) (μ +2σ) n σ/ n = P 3 2 n z 3 2 n P z 3 2 n =0.2 El valor z 0 tal que P (z z 0 )=0.2 es Por tanto 3 2 n = 0.84 n>3.68 = n =4 (b) Si el tiempo medio hasta la detección ha de ser menos de una hora, se tendrá que detectar el desajuste, por término medio, en menos de dos muestras. Por tanto, el suceso que se ha de detectar ha de tener una probabilidad mínima de p =0.5. El problema es similar al del apartado anterior con p =0.5 en lugar de p =0.8. Si se detecta el desajuste cuando la media muestral está fuera de los límites de control, el problema consiste en encontrar n tal que P (μ 3σ/ n x μ +3σ/ n μ 0 = μ +2σ) =0.5 P 3 2 n z 3 2 n P z 3 2 n =0.5 El valor z 0 tal que P (z z 0 )=0.5 es 0. Por tanto 3 2 n =0 n>2.25 = n =3. 4. Un proceso produce un componente eléctrico cuya principal característica viene medida por la variable x. Cuando el proceso se encuentra bajo control, la variable x sigue una distribución normal de media 200 y varianza 25. Un ingeniero (ingeniero A) de la empresa propone controlar la calidad del proceso evaluando el valor de cada componente y comparándolo (cada uno) con un intervalo que contenga al 99,7% de la población. Si algún valor se encuentra fuera del intervalo se interpretará como señal de que el proceso está fuera de control. Se pide: (a) Construir un intervalo de confianza que contenga al 99.7% de los componentes que se fabrican. SOLUCION: El intervalo corresponderá a 3 desviaciones típicas. Sea x i el valor de un componente genérico. Entonces x i 200 ± 3 25 = 200 ± 15 x i (185, 215)

7 5. En la misma empresa del problema anterior, otro ingeniero (ingeniero B) propone controlar la calidad promediando lo valores de x obtenidos en muestras de 25 componentes, en lugar de hacerlo con las observaciones individuales. Sea x a la media muestral de estas 25 medidas. Se considerará que el proceso está fuera de control si el valor de x está fuera de un intervalo de confianza que contenga al 99.7% de los valores posibles de x. (a) Construir un intervalo de confianza que contenga el 99.7% de estas medias cuando el proceso está bajo control. (b) Por qué este intervalo es diferente al del problema 4? SOLUCION: (a) La media muestral tiene distribución x N Un intervalo de tres desviaciones típicas es µ 200, 25 = N (200, 1). 25 x 200 ± 3 1 x (197; 203). (b) Es más estrecho pues cuanto más datos se agrupen la media se estima mejor 6.Elprocesomencionadoenelproblema4sedesajustaypasaaproducircomponentescuyavalordex tiene una media de 195 y la misma varianza. Después de producir 25 componentes, los ingenieros A y B comprueban si el proceso ha estado bajo control. Con el fin de comparar la efectividad de cada procedimiento se pide lo siguiente. (a) Cuál es la probabilidad de detectar el desajuste si comprobamos los componentes uno a uno? Es decir, que algun componente de los 25 se encuentre fuera del intervalo construido en el ejercicio 4 (método del ingeniero A) (b) Cuál es la probabilidad de detectar el desajuste utilizando la media de los 25 componentes?. Es decir, que la media muestral se encuentre fuera del intervalo del ejercicio 5 SOLUCION: (a) La variable x tiene ahora la siguiente distribución x i N (195, 25). La probabilidad de que se encuentre fuera del intervalo (185;215) es P (x i < 185 x i N (195, 25)) + P (x >215 x i N (195, 25)) = Y la probabilidad de que se encuentre dentro será, entonces, P (185 <x i < 213) = =

8 Si examinan los 25 componentes uno a uno, la probabilidad de detectar el desajuste será igual a la probabilidad de que alguno de ellos esté fuera del intervalo. Entonces P (detectar desajuste) = P (algun componente fuera del intervalo) =1 P (ninguno fuera del intervalo) =1 P (todos dentro del intervalo) =1 {P (185 <x i < 213)} 25 =0.44 Luego el ingeniero A detecta que se está bajo control con probabilidad p A =0.44. (b) La nueva media muestral seguirá la distribución µ x N 195, 25 = N(195, 1). 25 La probabilidad de que esta variable aleatoria esté fuera del intervalo (197;203) es igual a P ( x<197) + P ( x>203) = = Por tanto, el ingeniero B detecta la desviación con una probabilidad p B =0.977 que es muchísimo más alta que haciendo el análisis individual. Este ejercicio demuestra que es mucho más eficaz basar la detección de un desajuste utilizando medias que valores individuales. A mayor tamaño muestral, mayor será la probabilidad de detectar el desajuste y más eficaz será el control estadístico.

9 Nombre(s): 7. En un proceso de producción que se encuentra en estado de control se toman muestras de n =4artículos cada 10 minutos para construir con ellas gráficos de control. La variable que interesa en cada artículo es su peso x, que sigue una distribución normal x N(μ, σ 2 ). En cada muestra se anota el valor medio de las cuatro mediciones x i y el rango R i. Después de inspeccionar 24 muestras se tiene que la media de todas las mediciones es = x = y la media de los 24 rangos es R =4.82. Sepide (a) Estimar la media μ y la desviación típica σ de la distribución de x (1 punto) μ = ; σ = ; (b) Estimar la capacidad del proceso (1 punto) Capacidad= (c) Obtener el gráfico para visualizar la evolución de las medias (1 punto) LCS= ; l.c.: ; LCI= ; (d) Obtener el gráfico para visualizar la evolución de la dispersión (1 punto) LCS= ; l.c.: ; LCI= ; (e) Si se produjese un aumento del peso medio de 3 unidades Cuál es la probabilidad de detectarlo en la siguiente muestra? (1 punto) Probabilidad de detectarlo= (f) Cuánto tiempo se tardará, por término medio, en detectar dicho desajuste? (1 punto) Tiempo medio= (g) Utilizando las estimaciones de μ y σ del apartado (a) calcula el tamaño muestral mínimo n que sería necesario para, por término medio, detectar un desajuste de 3 unidades en menos de una hora. Tamaño muestral= (h) Obtener el gráfico de control para las medias que se utilizaría en el caso de usar el tamaño muestral del apartado anterior LCS= ; l.c.: ; LCI= ;

GRAFICOS DE CONTROL DATOS TIPO VARIABLES

GRAFICOS DE CONTROL DATOS TIPO VARIABLES GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar

Más detalles

1. Ejercicios. 2 a parte

1. Ejercicios. 2 a parte 1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de

Más detalles

Los Gráficos de Control de Shewart

Los Gráficos de Control de Shewart Los Gráficos de Control de Shewart La idea tradicional de inspeccionar el producto final y eliminar las unidades que no cumplen con las especificaciones una vez terminado el proceso, se reemplaza por una

Más detalles

Teoría de muestras 2º curso de Bachillerato Ciencias Sociales

Teoría de muestras 2º curso de Bachillerato Ciencias Sociales TEORÍA DE MUESTRAS Índice: 1. Introducción----------------------------------------------------------------------------------------- 2 2. Muestras y población-------------------------------------------------------------------------------

Más detalles

Método de cuadrados mínimos

Método de cuadrados mínimos REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,

Más detalles

EJERCICIOS DE SELECTIVIDAD

EJERCICIOS DE SELECTIVIDAD EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ

Más detalles

Objetivos. Epígrafes 8-1. Francisco José García Álvarez

Objetivos. Epígrafes 8-1. Francisco José García Álvarez Objetivos Entender los fundamentos estadísticos del muestreo de aceptación por variables. Aprender los procedimientos más usados del muestreo de aceptación por variables: Norma militar 414 Epígrafes Introducción

Más detalles

EJERCICIOS RESUELTOS DE ESTADÍSTICA II

EJERCICIOS RESUELTOS DE ESTADÍSTICA II EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo

Más detalles

ESTUDIOS DE CAPACIDAD

ESTUDIOS DE CAPACIDAD ESTUDIOS DE CAPACIDAD La capacidad de una máquina o proceso, se puede interpretar como su aptitud para producir artículos de acuerdo con las especificaciones. También se puede interpretar como la aptitud

Más detalles

Tema 8: Contraste de hipótesis

Tema 8: Contraste de hipótesis Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste

Más detalles

TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN

TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra

Más detalles

Unidad V. Control Estadístico de la Calidad

Unidad V. Control Estadístico de la Calidad UNIVERSIDAD NACIONAL DE INGENIERÍA UNI- NORTE - SEDE REGIONAL ESTELÍ Unidad V. Control Estadístico de la Calidad Objetivos Reconocer los principios estadísticos del control de calidad. Explicar la forma

Más detalles

Estimaciones puntuales. Estadística II

Estimaciones puntuales. Estadística II Estimaciones puntuales Estadística II Estimación Podemos hacer dos tipos de estimaciones concernientes a una población: una estimación puntual y una estimación de intervalo. Una estimación puntual es un

Más detalles

Práctica de Control Estadístico de Procesos Control por Variables

Práctica de Control Estadístico de Procesos Control por Variables Práctica de Control Estadístico de Procesos Control por Variables Fichero de datos: Sensorpresion.sf3 1. Los datos Un sensor de presión ha de trabajar en condiciones de alta temperatura. Para controlar

Más detalles

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:

Más detalles

Objetivos. Epígrafes 3-1. Francisco José García Álvarez

Objetivos. Epígrafes 3-1. Francisco José García Álvarez Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.

Más detalles

Teoría de muestras. Distribución de variables aleatorias en el muestreo. 1. Distribución de medias muestrales

Teoría de muestras. Distribución de variables aleatorias en el muestreo. 1. Distribución de medias muestrales Teoría de muestras Distribución de variables aleatorias en el muestreo 1. Distribución de medias muestrales Dada una variable estadística observada en una población, se puede calcular se media y su desviación

Más detalles

Medidas de dispersión

Medidas de dispersión Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia

Más detalles

Teorema Central del Límite (1)

Teorema Central del Límite (1) Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico

Más detalles

INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)

INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith) INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que

Más detalles

Práctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS

Práctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza

Más detalles

Control de procesos por variables

Control de procesos por variables Capítulo 4 Control de procesos por variables 1. Fundamentos de los gráficos de control 2. Gráfico de control para la media 3. Gráficos de control para la dispersión 4. Capacidad de un proceso. Índice de

Más detalles

Estadísticas Pueden ser

Estadísticas Pueden ser Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más

Más detalles

1. La Distribución Normal

1. La Distribución Normal 1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando

Más detalles

= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =

= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] = El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64

Más detalles

Tema 8. Muestreo. Indice

Tema 8. Muestreo. Indice Tema 8. Muestreo Indice 1. Población y muestra.... 2 2. Tipos de muestreos.... 3 3. Distribución muestral de las medias.... 4 4. Distribución muestral de las proporciones.... 6 Apuntes realizados por José

Más detalles

UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8

UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8 UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO

Más detalles

INFERENCIA ESTADÍSTICA

INFERENCIA ESTADÍSTICA INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así

Más detalles

Programa: Tecnología en Control de Calidad

Programa: Tecnología en Control de Calidad CARTAS (EJERCICIOS) 1. En un cierto proceso de fabricación, una de las operaciones consiste en efectuar un corte en una pieza de plástico. Dicho corte debe tener una profundidad especificada en los planos.

Más detalles

Grado en Ingeniería Informática Estadística Tema 5: Teoría Elemental del Muestreo e Inferencia Paramétrica Ángel Serrano Sánchez de León

Grado en Ingeniería Informática Estadística Tema 5: Teoría Elemental del Muestreo e Inferencia Paramétrica Ángel Serrano Sánchez de León Grado en Ingeniería Informática Estadística Tema 5: Teoría Elemental del Muestreo e Inferencia Paramétrica Ángel Serrano Sánchez de León Distribuciones Muestrales 1. Sea una población de 5 números: 2,

Más detalles

8.2.5. Intervalos para la diferencia de medias de dos poblaciones

8.2.5. Intervalos para la diferencia de medias de dos poblaciones 8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:

Más detalles

Objetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes

Objetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes Objetivos Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos Epígrafes Introducción a los Gráficos p, np. Interpretación Gráficos c y u. Interpretación 2-1 Gráfico

Más detalles

Departamento de Matemática Aplicada a las T.I.C. SOLUCIONES

Departamento de Matemática Aplicada a las T.I.C. SOLUCIONES Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión

Más detalles

R E S O L U C I Ó N. a) El intervalo de confianza de la media poblacional viene dado por: I. C. z

R E S O L U C I Ó N. a) El intervalo de confianza de la media poblacional viene dado por: I. C. z Un estudio realizado sobre 100 usuarios revela que un automóvil recorre anualmente un promedio de 15.00 Km con una desviación típica de.50 Km. a) Determine un intervalo de confianza, al 99%, para la cantidad

Más detalles

Control Estadístico de Procesos (SPC) para NO estadísticos.

Control Estadístico de Procesos (SPC) para NO estadísticos. Control Estadístico de Procesos (SPC) para NO estadísticos. - Sesión 3ª de 4 - Impartido por: Jaume Ramonet Fernández Ingeniero Industrial Superior PMP (PMI ) Consultoría y Formación Actitud requerida

Más detalles

MODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.

MODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8. UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía

Más detalles

La distribución de Probabilidad normal, dada por la ecuación:

La distribución de Probabilidad normal, dada por la ecuación: La distribución de Probabilidad normal, dada por la ecuación: Donde: x = X -, la distancia entre X y en el eje de las X. = la media de la población o universo ( de las X ) fx= La altura de la ordenada

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7) TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de

Más detalles

Conceptos Básicos de Inferencia

Conceptos Básicos de Inferencia Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos

Más detalles

Tema 5: Introducción a la inferencia estadística

Tema 5: Introducción a la inferencia estadística Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas

Más detalles

Muestreo de variables aleatorias

Muestreo de variables aleatorias Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como

Más detalles

Intervalos de confianza y contrastes de hipótesis. Intervalo de confianza de la media.

Intervalos de confianza y contrastes de hipótesis. Intervalo de confianza de la media. R PRÁCTICA IV Intervalos de confianza y contrastes de hipótesis Sección IV.1 Intervalo de confianza de la media. 44. Cargar (abrir) el conjunto de Datos Pulso.rda. Se pide: a) Calcular el de confianza

Más detalles

Tema 5. Contraste de hipótesis (I)

Tema 5. Contraste de hipótesis (I) Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.

Más detalles

Control Estadístico de Procesos Capacidad de Proceso

Control Estadístico de Procesos Capacidad de Proceso Control Estadístico de Procesos Capacidad de Proceso Un proceso de fabricación es un conjunto de equipos, materiales, personas y métodos de trabajo que genera un producto fabricado. Maquinaria Métodos

Más detalles

Síntesis Numérica de una Variable

Síntesis Numérica de una Variable Relación de problemas 2 Síntesis Numérica de una Variable Estadística 1. En siete momentos del día se observa el número de clientes que hay en un negocio, anotando: 2, 5, 2, 7, 3, 4, 9. Calcular e interpretar

Más detalles

Teoría de la decisión

Teoría de la decisión 1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia

Más detalles

MUESTREO APUNTE. Índice: MUESTREO. Media Varianza Desvío Ejemplo CURVA DE GAUSS ( TEÓRICO) Interpretación de los resultados TAMAÑO DE MUESTRA

MUESTREO APUNTE. Índice: MUESTREO. Media Varianza Desvío Ejemplo CURVA DE GAUSS ( TEÓRICO) Interpretación de los resultados TAMAÑO DE MUESTRA APUNTE MUESTREO Índice: MUESTREO Media Varianza Desvío Ejemplo CURVA DE GAUSS ( TEÓRICO) Interpretación de los resultados TAMAÑO DE MUESTRA Método de Cálculo Ejemplo Ing. Rogelio Hernán Bello Página 1

Más detalles

TEMA 3: Control Estadístico de la Calidad

TEMA 3: Control Estadístico de la Calidad TEMA 3: Control Estadístico de la Calidad 1. Introducción al control de la calidad. 2. Métodos de mejora de la calidad 3. Gráficos de control de Shewhart: Gráficos c Gráficos np Gráficos X y R 4. Interpretación

Más detalles

Estadística. Sesión 4: Medidas de dispersión.

Estadística. Sesión 4: Medidas de dispersión. Estadística Sesión 4: Medidas de dispersión. Contextualización En esta sesión aprenderás a calcular las medidas estadísticas de dispersión, tal es el caso del rango, la varianza y la desviación estándar,

Más detalles

MATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN. a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico.

MATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN. a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico. MATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN 1. Conteste las preguntas siguientes: a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico. 1. 2. 3. 4. b. En

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA INFERENCIA ESTADISTICA ESTIMACION 2 maneras de estimar: Estimaciones puntuales x s 2 Estimaciones por intervalo 2 ESTIMACION Estimaciones por intervalo Limites de Confianza LCI

Más detalles

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables

Más detalles

Universidad Rafael Belloso Chacín (URBE) Cátedra: Fundamentos de Estadística y Simulación Básica Semestre Profesor: Jaime Soto

Universidad Rafael Belloso Chacín (URBE) Cátedra: Fundamentos de Estadística y Simulación Básica Semestre Profesor: Jaime Soto Universidad Rafael Belloso Chacín (URBE) Cátedra: Fundamentos de Estadística y Simulación Básica Semestre 2011-1 Profesor: Jaime Soto PRUEBA DE HIPÓTESIS Ejemplo El jefe de la Biblioteca de la URBE manifiesta

Más detalles

2 4. c d. Se verifica: a + 2b = 1

2 4. c d. Se verifica: a + 2b = 1 Pruebas de Acceso a la Universidad. SEPTIEMBRE 0. Bachillerato de Ciencias Sociales. El alumno debe responder a una de las dos opciones propuestas, A o B. En cada pregunta se señala la puntuación máxima.

Más detalles

Prueba de Hipótesis. Bondad de Ajuste. Tuesday, August 5, 14

Prueba de Hipótesis. Bondad de Ajuste. Tuesday, August 5, 14 Prueba de Hipótesis Bondad de Ajuste Conceptos Generales Hipótesis: Enunciado que se quiere demostrar. Prueba de Hipótesis: Procedimiento para determinar si se debe rechazar o no una afirmación acerca

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales 1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución

Más detalles

EJERCICIOS RESUELTOS DE ESTADÍSTICA II

EJERCICIOS RESUELTOS DE ESTADÍSTICA II EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE I POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS

Más detalles

Variables aleatòries vectorials Els problemes assenyalats amb un (*) se faran a classe. 1.- Los estudiantes de una universidad se clasifican de acuerdo a sus años en la universidad (X) y el número de visitas

Más detalles

Métodos Estadísticos de la Ingeniería Tema 11: Contrastes de Hipótesis Grupo B

Métodos Estadísticos de la Ingeniería Tema 11: Contrastes de Hipótesis Grupo B Métodos Estadísticos de la Ingeniería Tema 11: Contrastes de Hipótesis Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Abril 2010 Contenidos...............................................................

Más detalles

ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.

ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada. ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos

Más detalles

a. N(19 5, 1 2) P(19 X 21) = P( Z ) = = P = P P = = P P = P = = = El 55 72% no son adecuados.

a. N(19 5, 1 2) P(19 X 21) = P( Z ) = = P = P P = = P P = P = = = El 55 72% no son adecuados. El diámetro de los tubos de cartón para un envase ha de estar entre 19 y 21mm. La maquina prepara tubos cuyos diámetros están distribuidos como una manual de media 19 5mm y desviación típica 1 2mm. Qué

Más detalles

Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones

Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una

Más detalles

Tercera práctica de REGRESIÓN.

Tercera práctica de REGRESIÓN. Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión

Más detalles

Conceptos del contraste de hipótesis

Conceptos del contraste de hipótesis Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de

Más detalles

Pruebas de hipótesis

Pruebas de hipótesis Pruebas de hipótesis Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Prueba de hipótesis Uno de los objetivos de la estadística es hacer

Más detalles

Distribuciones de Probabilidad

Distribuciones de Probabilidad Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica

Más detalles

Anota aquí tus respuestas para esta sección Distribución Z

Anota aquí tus respuestas para esta sección Distribución Z Tarea 2. Estadística Inferencial Cada sección vale 25%. Cada inciso tiene el mismo peso. Hacer la tarea en equipo de dos personas y entregar solo una copia por cada equipo. 1. Cálculo lo siguiente. Ten

Más detalles

INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.

INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes

Más detalles

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016 ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una

Más detalles

El Control de los Estándares de Calidad.

El Control de los Estándares de Calidad. MÓDULO 5 El Control de los Estándares de Calidad. 5.1. El proceso de control de la calidad. 5.2. Gráficos del control de la calidad. 5.3. Medidas de la capacidad del proceso. 5.4. Seis Sigma. 5.5. Muestreo

Más detalles

Matemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis

Matemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José

Más detalles

EJERCICIOS RESUELTOS DE ESTADÍSTICA II

EJERCICIOS RESUELTOS DE ESTADÍSTICA II EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE II POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS

Más detalles

2.- Tablas de frecuencias

2.- Tablas de frecuencias º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 3.- ESTADÍSTICA DESCRIPTIVA PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------

Más detalles

Discretas. Continuas

Discretas. Continuas UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de

Más detalles

UNIDAD 7 Medidas de dispersión

UNIDAD 7 Medidas de dispersión UNIDAD 7 Medidas de dispersión UNIDAD 7 MEDIDAS DE DISPERSIÓN Al calcular un promedio, por ejemplo la media aritmética no sabemos su representatividad para ese conjunto de datos. La información suministrada

Más detalles

Aplicaciones de la Probabilidad en la Industria

Aplicaciones de la Probabilidad en la Industria Tercera parte Aplicaciones de la Probabilidad en la Industria Dr Enrique Villa Diharce CIMAT, Guanajuato, México Verano de probabilidad y estadística CIMAT Guanajuato,Gto Julio 2010 Cartas de control Carta

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA 1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,

Más detalles

Estimación de Máxima Verosimilitud Utilizando la Función optim en R

Estimación de Máxima Verosimilitud Utilizando la Función optim en R Estimación de Máxima Verosimilitud Utilizando la Función optim en R Juan F. Olivares-Pacheco * 15 de diciembre de 2006 Resumen En este trabajo se muestra el método de verosimilitud para la estimación de

Más detalles

Pruebas de Hipótesis H0 : μ = 6 H1 : μ 6 α = 0.05 zα/2 = 1.96 (6-1,96 0,4 ; 6+1,96 0,4) = (5,22 ; 6,78) 5,6 Aceptamos la hipótesis nula H 0 2.

Pruebas de Hipótesis H0 : μ = 6 H1 : μ 6 α = 0.05 zα/2 = 1.96 (6-1,96 0,4 ; 6+1,96 0,4) = (5,22 ; 6,78) 5,6 Aceptamos la hipótesis nula H 0 2. Pruebas de Hipótesis 1. Se sabe que la desviación típica de las notas de cierto examen de Matemáticas es,4. Para una muestra de 6 estudiantes se obtuvo una nota media de 5,6. Sirven estos datos para confirmar

Más detalles

CAPÍTULO 4 TÉCNICA PERT

CAPÍTULO 4 TÉCNICA PERT 54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con

Más detalles

Matemática. Desafío. GUÍA DE EJERCITACIÓN AVANZADA Cálculo de medidas de dispersión y muestreo GUICEN041MT22-A16V1

Matemática. Desafío. GUÍA DE EJERCITACIÓN AVANZADA Cálculo de medidas de dispersión y muestreo GUICEN041MT22-A16V1 GUÍA DE EJERCITACIÓN AVANZADA Cálculo de medidas de dispersión y muestreo Desafío Una población estadística está compuesta de cuatro números enteros consecutivos, siendo n el menor de ellos. La desviación

Más detalles

OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 5 Simulación

OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 5 Simulación OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 5 Simulación ORGANIZACIÓN DEL TEMA Sesiones: Introducción Ejemplos prácticos Procedimiento y evaluación de resultados INTRODUCCIÓN Simulación: Procedimiento

Más detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------

Más detalles

Máster en comunicaciones. Clase 2. Modelos predictores.

Máster en comunicaciones. Clase 2. Modelos predictores. Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de

Más detalles

SEPTIEMBRE Opción A

SEPTIEMBRE Opción A Septiembre 010 (Prueba Específica) SEPTIEMBRE 010 Opción A 1.- Se considera el sistema de ecuaciones: x y = 3x+ y = 4 4x + y = a a) Clasifica el sistema en función de sus posibles soluciones para los distintos

Más detalles

viii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos

viii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................

Más detalles

INFERENCIA DE LA PROPORCIÓN

INFERENCIA DE LA PROPORCIÓN ESTADISTICA INFERENCIA DE LA PROPORCIÓN DISTRIBUCIÓN MUESTRAL DE PROPORCIONES En una población la proporción de elementos (personas, animales, cosas o entes) que posee una cierta característica es p. En

Más detalles

A qué nos referimos con medidas de dispersión?

A qué nos referimos con medidas de dispersión? Estadística 1 Sesión No. 4 Nombre: Medidas de dispersión. Contextualización A qué nos referimos con medidas de dispersión? En esta sesión aprenderás a calcular las medidas estadísticas de dispersión, tal

Más detalles

METODOLOGÍA SEIS SIGMA A TRAVÉS DE EXCEL

METODOLOGÍA SEIS SIGMA A TRAVÉS DE EXCEL METODOLOGÍA SEIS SIGMA A TRAVÉS DE EXCEL María Pérez Marqués Metodología Seis Sigma a través de Excel María Pérez Marqués ISBN: 978-84-937769-7-8 EAN: 9788493776978 Copyright 2010 RC Libros RC Libros es

Más detalles

Se permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.

Se permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado. NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido

Más detalles

1. Los datos siguientes dan el número de ensambles de rodamiento y sello

1. Los datos siguientes dan el número de ensambles de rodamiento y sello 3 2 EJERCICIOS 55 3 2 Ejercicios 1. Los datos siguientes dan el número de ensambles de rodamiento y sello disconformes en muestras de tamaño 100. Construir una carta de control para la fracción disconforme

Más detalles

ANALISIS DE FRECUENCIA EN HIDROLOGIA

ANALISIS DE FRECUENCIA EN HIDROLOGIA ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos

Más detalles

ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO

ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO El examen presentará dos opciones diferentes entre las que el alumno deberá elegir una y responder

Más detalles

Estadística Descriptiva

Estadística Descriptiva M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Desde la segunda mitad del siglo anterior, el milagro industrial sucedido en Japón, hizo

Más detalles

Examen de Estadística. 2 de julio de Grupo... Titulación...

Examen de Estadística. 2 de julio de Grupo... Titulación... Examen de Estadística 2 de julio de 2014 Nombre Número Grupo... Titulación... 1. Se dispone de un test para detectar la presencia de contaminantes en una bebida. Dicho test indica presencia de contaminantes

Más detalles

EJERCICIOS DE ESTADÍSTICA:

EJERCICIOS DE ESTADÍSTICA: EJERCICIOS DE ESTADÍSTICA: 1º/ Una biblioteca desea estimar el porcentaje de libros infantiles que posee. La biblioteca está compuesta de 4 salas (orte, Sur, Este y Oeste) con 2500, 2740, 4000 y 6900 libros,

Más detalles

CONTROL ESTADÍSTICO DE PROCESOS. ii. PRESENCIA DE CAUSAS ASIGNABLES iii. GRÁFICO DE MEDIAS Y RANGOS

CONTROL ESTADÍSTICO DE PROCESOS. ii. PRESENCIA DE CAUSAS ASIGNABLES iii. GRÁFICO DE MEDIAS Y RANGOS CONTROL ESTADÍSTICO DE PROCESOS INDICE 1. INTRODUCCIÓN 2. GRÁFICOS DE CONTROL POR VARIABLE (a) INTRODUCCIÓN i. TOLERANCIAEINDICEDECAPACIDAD ii. PRESENCIA DE CAUSAS ASIGNABLES iii. GRÁFICO DE MEDIAS Y RANGOS

Más detalles